À medida que a tecnologia ZK melhora, encontram-se vários casos de uso de zkML com forte adequação ao mercado do produto.
Escrito por: Avant Blockchain Capital
Compilação: Pesquisa GWEI
fundo
Nos últimos meses, houve vários avanços na indústria de IA. Modelos como GPT4 e Stable Diffusion estão mudando a forma como as pessoas constroem e interagem com o software e a Internet.
Apesar das capacidades impressionantes desses novos modelos de IA, alguns ainda se preocupam com a imprevisibilidade e a consistência da IA. Por exemplo, há falta de transparência no mundo dos serviços online, onde a maior parte do trabalho de back-end é executado por modelos de IA. Verificar se esses modelos funcionam conforme o esperado é um desafio. Além disso, a privacidade do usuário é um problema, pois todos os dados que fornecemos à API do modelo podem ser usados para melhorar a IA ou serem explorados por hackers.
O ZKML pode ser uma nova maneira de resolver esses problemas. Ao injetar propriedades verificáveis e não confiáveis em modelos de aprendizado de máquina, a tecnologia blockchain e ZK pode formar uma estrutura para o alinhamento da IA.
O que é ZKML
Aprendizado de máquina de conhecimento zero (ZKML) neste documento refere-se ao uso de zkSNARKs (uma prova de conhecimento zero) para provar a correção do raciocínio de aprendizado de máquina sem expor entradas de modelo ou parâmetros de modelo. De acordo com diferentes informações de privacidade, os casos de uso do ZKML podem ser divididos nos seguintes tipos:
Modelo público + dados privados:
Aprendizado de máquina preservando a privacidade: o ZKML pode ser usado para treinar e avaliar modelos de aprendizado de máquina em dados confidenciais sem revelar os dados a mais ninguém. Isso pode ser importante para aplicações como diagnósticos médicos e detecção de fraudes financeiras. Também vimos alguns jogadores usarem o ZKML para criar serviços de prova de humanidade na autenticação de dados biométricos.
Prova: em um mundo onde a maior parte do conteúdo online é gerado por IA, a criptografia pode fornecer uma fonte de verdade. As pessoas estão tentando usar o ZKML para resolver o problema do deepfake.
Modelo Privado + Dados Públicos:
Autenticidade do modelo: o ZKML pode ser usado para garantir a consistência dos modelos de aprendizado de máquina. Isso pode ser importante para os usuários garantirem que os fornecedores de modelos não usem preguiçosamente modelos mais baratos ou sejam hackeados.
Kaggle descentralizado: o ZKML permite que os participantes em competições de ciência de dados provem a precisão dos modelos em dados de teste públicos sem revelar os pesos do modelo no treinamento
Modelo público + dados públicos:
Raciocínio descentralizado: Este método usa principalmente as características concisas do ZKML para compactar cálculos complexos de IA em provas de cadeia semelhantes ao ZK rollup. Essa abordagem pode distribuir o custo da veiculação do modelo para vários nós.
Como os zkSNARKs serão uma tecnologia muito importante no mundo criptográfico, o ZKML também tem o potencial de mudar o mundo criptográfico. Ao adicionar recursos de IA a contratos inteligentes, o ZKML pode desbloquear aplicativos on-chain mais complexos. Essa integração foi descrita na comunidade ZKML como "dar atenção ao blockchain".
Gargalo técnico
No entanto, o ZK-ML apresenta alguns desafios técnicos que devem ser enfrentados atualmente.
Quantização: os ZKPs trabalham em campos, mas as redes neurais são treinadas em ponto flutuante. Isso significa que, para que um modelo de rede neural seja compatível com zk/blockchain, ele precisa ser convertido em uma representação aritmética de ponto fixo com rastreamento de computação completo. Isso pode sacrificar o desempenho do modelo devido à menor precisão dos parâmetros.
Tradução entre idiomas: os modelos de IA de rede neural são escritos em python e cpp, enquanto os circuitos ZKP requerem ferrugem. Portanto, precisamos de uma camada de tradução para converter o modelo em um tempo de execução baseado em ZKP. Normalmente, esse tipo de camada de tradução é específico do modelo e é difícil projetar uma geral.
Custo computacional do ZKP: O custo do ZKP será basicamente muito maior do que o cálculo original do ML. De acordo com os experimentos dos laboratórios Modulus, para um modelo com parâmetros de 20M, de acordo com diferentes sistemas de prova ZK, leva mais de 1 a 5 minutos para gerar a prova e o consumo de memória é de cerca de 20 a 60 GB.
Custo inteligente — Modulus Labs
status quo
Mesmo com esses desafios, vimos muito interesse no ZKML por parte da comunidade criptográfica, e há algumas boas equipes explorando esse espaço.
a infraestrutura
Compilador de modelos
Como o principal gargalo do ZKML é converter modelos AI em circuitos ZK, algumas equipes estão trabalhando em camadas básicas, como compiladores de modelo ZK. Começando com modelos de regressão logística ou modelos CNN simples há um ano, o campo progrediu rapidamente para modelos mais complexos.
O projeto EZKL agora suporta modelos com parâmetros de até 100mm. Ele usa o formato ONNX e o sistema halo2 ZKP. A biblioteca também oferece suporte ao envio de apenas parte do modelo.
A biblioteca ZKML já suporta ZKP para GPT2, Bert e modelos de difusão!
ZKVM
Os compiladores ZKML também se enquadram no domínio de algumas das máquinas virtuais de conhecimento zero mais gerais.
Risc Zero é um zkVM usando o conjunto de instruções RiscV de código aberto, portanto, pode suportar ZKP de c++ e ferrugem. Este projeto zkDTP mostra como converter um modelo ML de árvore de decisão para Rust e executá-lo no Risc Zero.
Também estamos vendo algumas equipes tentando trazer modelos de IA on-chain via Startnet (Giza) e Aleo (Zero Gravity).
Aplicativo
Além da infraestrutura, outras equipes também começaram a explorar a aplicação do ZKML
Defi:
Um exemplo de caso de uso DeFi é um cofre controlado por IA, em que os mecanismos são definidos por modelos de IA em vez de políticas fixas. Essas estratégias podem alavancar dados on-chain e off-chain para prever tendências de mercado e executar negociações. ZKML garante um modelo consistente na cadeia. Isso torna todo o processo automático e sem confiança. A Mondulus Labs está construindo o RockyBot. A equipe treinou um modelo de IA on-chain para prever preços de ETH e construiu um contrato inteligente para realizar transações automaticamente com o modelo.
Outros possíveis casos de uso de DeFi incluem DEXs alimentados por IA e protocolos de empréstimo. Os Oracles também podem aproveitar o ZKML para fornecer novas fontes de dados geradas a partir de dados fora da cadeia.
Jogos:
A Modulus labs lançou o Leela, um jogo de xadrez baseado em ZKML que todos os usuários podem jogar contra um bot alimentado por um modelo de IA validado por ZK. Os recursos de inteligência artificial podem trazer funções mais interativas para jogos totalmente encadeados existentes.
NFT/economia do criador:
EIP-7007: Este EIP fornece uma interface para usar ZKML para verificar se o conteúdo gerado por IA para um NFT é realmente de um modelo específico com entradas específicas (dicas). O padrão pode permitir coleções de NFTs gerados por IA e até alimentar um novo tipo de economia criadora.
EIP-7007 Fluxo de trabalho do projeto
Identidade:
O projeto Wordcoin está fornecendo uma solução de prova de humanidade baseada em informações biométricas do usuário. A equipe está explorando o uso de ZKML para permitir que os usuários gerem código Iris sem permissão. Quando o algoritmo que gera o código Iris é atualizado, os usuários podem baixar o modelo e gerar as próprias provas sem ir à estação Orb.
Chave adotada
Considere o alto custo de provas de conhecimento zero para modelos de IA. Acreditamos que a adoção de ZKML pode começar com alguns casos de uso de criptografia nativa em que os custos de confiança são altos.
Outro mercado que devemos considerar são os setores onde a privacidade de dados é muito importante, como o de saúde. Para isso, existem outras soluções, como aprendizado federado e MPC seguro, mas o ZKML pode aproveitar a rede escalável incentivada do blockchain.
A adoção em massa mais ampla do ZKML pode depender de uma perda de confiança nos grandes provedores de IA existentes. Haverá eventos que aumentarão a conscientização em todo o setor e levarão os usuários a considerar tecnologias de IA verificáveis?
Resumir
O ZKML ainda está em seus primórdios e há muitos desafios a serem superados. Mas, à medida que a tecnologia ZK melhora, acreditamos que as pessoas logo encontrarão vários casos de uso para ZKML com forte adequação ao mercado de produtos. Esses casos de uso podem parecer adequados a princípio. Mas à medida que o poder da inteligência artificial centralizada cresce e penetra em todos os setores e até na vida humana, as pessoas podem encontrar maior valor no ZKML.
Ver original
O conteúdo é apenas para referência, não uma solicitação ou oferta. Nenhum aconselhamento fiscal, de investimento ou jurídico é fornecido. Consulte a isenção de responsabilidade para obter mais informações sobre riscos.
Explicando zkML: Rumo a um futuro de inteligência artificial verificável
Escrito por: Avant Blockchain Capital
Compilação: Pesquisa GWEI
fundo
Nos últimos meses, houve vários avanços na indústria de IA. Modelos como GPT4 e Stable Diffusion estão mudando a forma como as pessoas constroem e interagem com o software e a Internet.
Apesar das capacidades impressionantes desses novos modelos de IA, alguns ainda se preocupam com a imprevisibilidade e a consistência da IA. Por exemplo, há falta de transparência no mundo dos serviços online, onde a maior parte do trabalho de back-end é executado por modelos de IA. Verificar se esses modelos funcionam conforme o esperado é um desafio. Além disso, a privacidade do usuário é um problema, pois todos os dados que fornecemos à API do modelo podem ser usados para melhorar a IA ou serem explorados por hackers.
O ZKML pode ser uma nova maneira de resolver esses problemas. Ao injetar propriedades verificáveis e não confiáveis em modelos de aprendizado de máquina, a tecnologia blockchain e ZK pode formar uma estrutura para o alinhamento da IA.
O que é ZKML
Aprendizado de máquina de conhecimento zero (ZKML) neste documento refere-se ao uso de zkSNARKs (uma prova de conhecimento zero) para provar a correção do raciocínio de aprendizado de máquina sem expor entradas de modelo ou parâmetros de modelo. De acordo com diferentes informações de privacidade, os casos de uso do ZKML podem ser divididos nos seguintes tipos:
Modelo público + dados privados:
Modelo Privado + Dados Públicos:
Modelo público + dados públicos:
Como os zkSNARKs serão uma tecnologia muito importante no mundo criptográfico, o ZKML também tem o potencial de mudar o mundo criptográfico. Ao adicionar recursos de IA a contratos inteligentes, o ZKML pode desbloquear aplicativos on-chain mais complexos. Essa integração foi descrita na comunidade ZKML como "dar atenção ao blockchain".
Gargalo técnico
No entanto, o ZK-ML apresenta alguns desafios técnicos que devem ser enfrentados atualmente.
Quantização: os ZKPs trabalham em campos, mas as redes neurais são treinadas em ponto flutuante. Isso significa que, para que um modelo de rede neural seja compatível com zk/blockchain, ele precisa ser convertido em uma representação aritmética de ponto fixo com rastreamento de computação completo. Isso pode sacrificar o desempenho do modelo devido à menor precisão dos parâmetros.
Tradução entre idiomas: os modelos de IA de rede neural são escritos em python e cpp, enquanto os circuitos ZKP requerem ferrugem. Portanto, precisamos de uma camada de tradução para converter o modelo em um tempo de execução baseado em ZKP. Normalmente, esse tipo de camada de tradução é específico do modelo e é difícil projetar uma geral.
Custo computacional do ZKP: O custo do ZKP será basicamente muito maior do que o cálculo original do ML. De acordo com os experimentos dos laboratórios Modulus, para um modelo com parâmetros de 20M, de acordo com diferentes sistemas de prova ZK, leva mais de 1 a 5 minutos para gerar a prova e o consumo de memória é de cerca de 20 a 60 GB.
Custo inteligente — Modulus Labs
status quo
Mesmo com esses desafios, vimos muito interesse no ZKML por parte da comunidade criptográfica, e há algumas boas equipes explorando esse espaço.
a infraestrutura
Compilador de modelos
Como o principal gargalo do ZKML é converter modelos AI em circuitos ZK, algumas equipes estão trabalhando em camadas básicas, como compiladores de modelo ZK. Começando com modelos de regressão logística ou modelos CNN simples há um ano, o campo progrediu rapidamente para modelos mais complexos.
ZKVM
Os compiladores ZKML também se enquadram no domínio de algumas das máquinas virtuais de conhecimento zero mais gerais.
Aplicativo
Além da infraestrutura, outras equipes também começaram a explorar a aplicação do ZKML
Defi:
Um exemplo de caso de uso DeFi é um cofre controlado por IA, em que os mecanismos são definidos por modelos de IA em vez de políticas fixas. Essas estratégias podem alavancar dados on-chain e off-chain para prever tendências de mercado e executar negociações. ZKML garante um modelo consistente na cadeia. Isso torna todo o processo automático e sem confiança. A Mondulus Labs está construindo o RockyBot. A equipe treinou um modelo de IA on-chain para prever preços de ETH e construiu um contrato inteligente para realizar transações automaticamente com o modelo.
Outros possíveis casos de uso de DeFi incluem DEXs alimentados por IA e protocolos de empréstimo. Os Oracles também podem aproveitar o ZKML para fornecer novas fontes de dados geradas a partir de dados fora da cadeia.
Jogos:
A Modulus labs lançou o Leela, um jogo de xadrez baseado em ZKML que todos os usuários podem jogar contra um bot alimentado por um modelo de IA validado por ZK. Os recursos de inteligência artificial podem trazer funções mais interativas para jogos totalmente encadeados existentes.
NFT/economia do criador:
EIP-7007: Este EIP fornece uma interface para usar ZKML para verificar se o conteúdo gerado por IA para um NFT é realmente de um modelo específico com entradas específicas (dicas). O padrão pode permitir coleções de NFTs gerados por IA e até alimentar um novo tipo de economia criadora.
EIP-7007 Fluxo de trabalho do projeto
Identidade:
O projeto Wordcoin está fornecendo uma solução de prova de humanidade baseada em informações biométricas do usuário. A equipe está explorando o uso de ZKML para permitir que os usuários gerem código Iris sem permissão. Quando o algoritmo que gera o código Iris é atualizado, os usuários podem baixar o modelo e gerar as próprias provas sem ir à estação Orb.
Chave adotada
Considere o alto custo de provas de conhecimento zero para modelos de IA. Acreditamos que a adoção de ZKML pode começar com alguns casos de uso de criptografia nativa em que os custos de confiança são altos.
Outro mercado que devemos considerar são os setores onde a privacidade de dados é muito importante, como o de saúde. Para isso, existem outras soluções, como aprendizado federado e MPC seguro, mas o ZKML pode aproveitar a rede escalável incentivada do blockchain.
A adoção em massa mais ampla do ZKML pode depender de uma perda de confiança nos grandes provedores de IA existentes. Haverá eventos que aumentarão a conscientização em todo o setor e levarão os usuários a considerar tecnologias de IA verificáveis?
Resumir
O ZKML ainda está em seus primórdios e há muitos desafios a serem superados. Mas, à medida que a tecnologia ZK melhora, acreditamos que as pessoas logo encontrarão vários casos de uso para ZKML com forte adequação ao mercado de produtos. Esses casos de uso podem parecer adequados a princípio. Mas à medida que o poder da inteligência artificial centralizada cresce e penetra em todos os setores e até na vida humana, as pessoas podem encontrar maior valor no ZKML.